降维(Dimensionality Reduction)

动机一：数据压缩

第二种的无监督学习——降维。

1. 降维是什么？
   2
   假设我们未知两个的特征 x1:长度：用厘米表示；X2，是用英寸表示同一物体的长度。
   所以，这给了我们高度冗余表示，也许不是两个分开的特征 x1 和 X2，这两个基本的长
   度度量，也许我们想要做的是减少数据到一维，只有一个数测量这个长度。这个例子似乎有
   点做作，这里厘米英寸的例子实际上不是那么不切实际的，两者并没有什么不同。将数据从二维降至一维： 假使我们要采用两种不同的仪器来测量一些东西的尺寸，其中一个仪器测量结果的单位是英寸，另一个仪器测量的结果是厘米，我们希望将测量的结果作为我们机器学习的特征。现在的问题的是，两种仪器对同一个东西测量的结果不完全相等（由于误差、精度等），而将两者都作为 特征有些重复，因而，我们希望将这个二维的数据降至一维。从这件事情我看到的东西发生在工业上的事。如果你有几百个或成千上万的特征，它这往往容易失去你需要的特征。有时可能有几个不同的工程团队，也许一个工程队给你二
   百个特征，第二工程队给你另外三百个的特征，第三工程队给你五百个特征，一千多个特征都在一起，它实际上会变得非常困难，去跟踪你知道的那些特征，你从那些工程队得到的。
   其实不想有高度冗余的特征一样。

多年我一直在研究直升飞机自动驾驶。诸如此类。如果你想测量——如果你想做，你知道，做一个调查或做这些不同飞行员的测试——你可能有一个特征：X1，这也许是他们的技能（直升机飞行员），也许“X2”可能是飞行员的爱好。这是表示他们是否喜欢飞行，也许这两个特征将高度相关。你真正关心的可能是这条红线的方向，不同的特征，决定飞的
能力。

将数据从三维降至二维： 这个例子中我们要将一个三维的特征向量降至一个二维的特征向量。过程是与上面类似的，我们将三维向量投射到一个二维的平面上，强迫使得所有的数据都在同一个平面上，降至二维的特征向量。

这样的处理过程可以被用于把任何维度的数据降到任何想要的维度，如将 1000 维的特征降至 100 维。
正如我们所看到的，最后，这将使我们能够使我们的一些学习算法运行也较晚，但我们会在以后的视频提到它。

动机二：数据可视化

   在许多及其学习问题中，如果我们能将数据可视化，我们便能寻找到一个更好的解决方案，降维可以帮助我们。

假使我们有有关于许多不同国家的数据，每一个特征向量都有 50 个特征（如，GDP，人均 GDP，平均寿命等）。如果要将这个 50 维的可视化是不可能的。使用降维的方法将其降至 2 维，我们便可以将其可视化了。

这样做的问题在于，降维的算法只负责减少维数，新产生的特征的意义就必须由我们自己去发现了。